En este documento, propusimos un enfoque efectivo y eficiente para la clasificación de microcalcificaciones de cáncer de mama y evaluamos el modelo matemático para la calcificación en mamografías con un gran conjunto de datos médicos. Empleamos varios algoritmos de segmentación semiautomática para extraer 51 características de calcificación de mamografías, incluidas características morfológicas y texturales. Adoptamos el aumento extremo del gradiente (XGBoost) para clasificar microcalcificaciones. Luego, comparamos otras técnicas de aprendizaje automático, incluido el vecino más cercano (kNN), adaboostM1, árbol de decisión, bosque aleatorio de decisiones (RDF) y árbol de decisión de aumento de gradiente (GBDT), con XGBoost. XGBoost mostró la mayor precisión (90.24%) para clasificar microcalcificaciones, y kNN demostró la menor precisión. Este resultado demuestra que es esencial para la clasificación de microcalcificaciones utilizar el método de ingeniería de características para la selección de la mejor composición de características. Una de las contribuciones de este estudio es presentar la mejor composición de características para la clasificación eficiente de cánceres de mama.